[发明专利]一种基于机器学习的智能审方开方方法

摘要

本发明公开了一种基于机器学习的智能审方开方模型，属于机器学习模型的技术领域，通过分类算法对模型进行求解，并基于贝叶斯算法将历史处方数据和审方数据学习得到模型的概率矩阵，最终通过药品与初步诊断的概率矩阵建立了智能审方模型，通过建立同一种初步诊断下的用药关联性分析，建立药品关联性模型，解决初步诊断与药品之间的关联性分析，在分析制定初步诊断的前提下，推荐的药品是否是符合该初步诊断；通过初步诊断与药品的药品成分之间的关联性分析，对药品成分数据规范化；在用户症状数据规范化和药品适用症数据规范化后，分析用户症状和对应药品成分的关联性。

主权项

1.一种基于机器学习的智能审方开方模型，其特征在于，其包括以下内容：(一)将药品的所有成分列表为A1，A2，A3....Aw，共计w种成分，对于选定的药品i，其包含的成分列表为{x1,x2.....,xk}，xk∈Aw(k≤w)；(二)基于分类算法的关联性分析模型，所述关联性大小为F(yj)，采用如下函数公式：其中，wi表示药品i的代价系数且wi∈[0，1]，Pij表示药品i属于初步诊断分组j的概率大小且Pij∈[0，1]；则Pkj表示药品成分xk属于初步诊断分组j的概率大小，则得到以下函数公式：其中，Pqj表示药品成分q属于初步诊断分组j的概率大小；综合(2‑1)和(2‑2)，则得到以下函数公式：其目标函数为：所述初步诊断分组j属于总体的m种初步诊断分组，则j∈(1，2，3.......m)，各个药品i属于各个初步诊断分组j的概率大小为Pij，则Pij为n×m维的数组，即：(三)将审方的过程简化为：选取的药品i与该疾病的初步诊断分组j的关联性大小为F(yj)，设定其总体关联性大小为ε且ε为(0，1]的常数，当关联性大小F(yj)小于ε时表示选取的药品i与该疾病的初步诊断关系分组j为强关系，则处方对诊；当关联性大小F(yj)大于ε时表示选取的药品i与该疾病的初步诊断关系分组j为弱关系，则处方不对诊。